6745
Rust programming language По всем вопросам- @haarrp @ai_machinelearning_big_data - машинное обучение @programming_books_it - бесплатные it книги @pythonl - 🐍 @ArtificialIntelligencedl - AI @datascienceiot - ml 📚
Можно ли доверить компилятору оптимизацию вашего кода?
https://habr.com/ru/companies/timeweb/articles/759326/
Идиоматический код на Rust для тех, кто перешел с других языков программирования
https://habr.com/ru/articles/758566/
👣 php-tokio 🖥
Эта библиотека позволяет асинхронно использовать любую библиотеку async rust из PHP.
▪Github
@rust_code
🎙 Pake — это инструмент на Rust, который позволяет преобразовывать веб-страницы в приложения.
✔️ Поддерживает операционные системы Mac, Windows и GNU/Linux.
✔️ Значительно компактнее, чем Electron, и работает быстрее, чем фреймворки, основанные на JavaScript.
✔️ Уже имеет множество популярных пакетов, таких как WeRead, Twitter, ChatGPT и YouTube Music. Пользователи могут легко навигировать по приложению с помощью сочетаний клавиш.
✔️ Pake можно настроить через командную строку и изменение структуры кодовой базы.
▪Github
@rust_code
Rust 1.72.0: потенциально полезные отключенные элементы, неограниченные константные вычисления
https://habr.com/ru/articles/757158/
Как легко перейти с Java на Rust: Особенности и советы
https://habr.com/ru/articles/756984/
Работа с JSON в Rust. Методичка
https://habr.com/ru/companies/T1Holding/articles/746860/
👣 haileys/bark
потоковое аудио с синхронизацией в реальном времени для локальных сетей на Rust.
https://github.com/haileys/bark
@rust_code
Regex engine internals as a library [full]
https://habr.com/ru/articles/755940/
Опыт написания библиотеки управления акторами на Rust
https://habr.com/ru/articles/755704/
🟡 Дайджест полезных материалов из мира : rust за неделю
Почитать:
— Learning Rust 🦀: 10 - The Struct
— Объяснения по шардинга баз данных
— Appwrite + Rust: Build APIs without technical overhead
— ESP32 Standard Library Embedded Rust: Analog Temperature Sensing using the ADC
— Do your Values align with FP Values?
— ReductStore 1.6.0 has been released with new license and client SDK for Rust
— Driving Complete and Easy Bidirectional Typechecking for Higher-Rank Polymorphism in Rust
— Mastering Rust's Ownership: The Key to Memory Safety and Efficiency
— Port a project from C++ to Rust
— How to load dynamic libraries in Rust?
— Learning Rust 🦀: 09 - Ownership: The Slice type
Посмотреть:
🌐 #08: Функциональное программирование в Rust, замыкания и не только
Хорошего дня!
ytdlp-gui
Графический интерфейс для yt-dlp, написанный на Rust
Его можно легко установить в GNU/Linux и Windows системах
https://github.com/BKSalman/ytdlp-gui
@rust_code
🟡 Дайджест полезных материалов из мира Rust за неделю
Почитать:
— Реализуем Type Inference на Rust — Часть #2: Простой Lambda Calculus
— Список популярных утечек с GitHub: Анализ репозиториев компаний
— GADT-like types in Rust
— A Weekly Rust🦀 Pill #4
— ESP32 Standard Library Embedded Rust: PWM Servo Motor Sweep
— Easy Encryption In Rust
— Building a CLI tool in Rust
— Why I changed my mind about rust
— Writing an Equation Solver
— Why I prefer Rust over Go
— Rust references
— Learning Rust 🦀: 08 - Ownership: Functions and References
Хорошего дня!
@rust_code
Реализуем Type Inference на Rust — Часть #2: Простой Lambda Calculus
https://habr.com/ru/articles/753180/
✔ ZboxFS
ZboxFS — это файловая система, которая ориентирована на конфиденциальность и предназначенная для безопасного хранения файлов приложения.
ZboxFS инкапсулирует файлы и каталоги в зашифрованное хранилище, предоставляя виртуальную файловую систему и эксклюзивный доступ для авторизованных приложений.
Проект поддерживает различные базовые уровни хранения, включая память, файловую систему ОС, СУБД и хранилище объектов «ключ-значение».
ZboxFS написан на Rust и его можно использовать на GNU/Linux, macOS, Windows и Android.
▪Github
▪Документация
@rust_code
Упрощенный пример на Rust обучения нейронной сети на основе Candle Framework от Hugging Face
https://habr.com/ru/articles/758658/
🔥 Дайджест полезных материалов из мира : Rust за неделю
Почитать:
— «Я пропагандирую коллегам переход на Rust». В статье — 6 основных причин
— Rust 1.72.0: потенциально полезные отключенные элементы, неограниченные константные вычисления
— Acrylic Window effect with Tauri
— Raspberry Pi - Blinking an LED with Rust
— Use just to manage Rust project commands
— A Weekly Rust🦀 Pill #5
— Understanding Ownership in Rust: Ensuring Safety and Preventing Errors
— Comparing Rust vs. Zig: Performance, safety, and more
— Computing the 10,000th Fibonacci number in less than a second. Unveiling the Secrets of Giant Numbers: Building Your Own BigInt
— Soroban Series 2: Building a Name Resolution Service
— How to make your own Godbolt (for C++ and Rust)
— Echo2: A Tiny Piece of Code for Learning and Practicing Soroban Rust SDK
Посмотреть:
🌐 CSS Anchor Is The Best New CSS Feature Since Flexbox (⏱ 15:39)
🌐 New useFormStatus React Hook (⏱ 01:00)
Хорошего дня!
@rust_code
«Я пропагандирую коллегам переход на Rust». В статье — 6 основных причин
https://habr.com/ru/companies/kryptonite/articles/757362/
Запускаем IDEA и CLion на Android
https://habr.com/ru/articles/757222/
Разрабатываем свою ORM библиотеку на Rust: Оптимизация и Простота
https://habr.com/ru/articles/757070/
Я написал JVM на Rust
https://habr.com/ru/companies/ruvds/articles/756366/
Smart-contract developer Road Map
https://habr.com/ru/articles/756542/
Как я написал JVM на Rust
https://habr.com/ru/companies/otus/articles/755946/
Туториал: Todo веб-приложение на Internet Computer используя Rust и Create React App
https://habr.com/ru/articles/755690/
Просто спарсь что угодно с помощью языка Rust (ну… или просто скачай файл)
https://habr.com/ru/articles/755728/
⚡Легкий способ получать свежие обновлении и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь:
Машинное обучение: @ai_machinelearning_big_data
Go: @Golang_google
C#: @csharp_ci
Базы данных: @sqlhub
Python: @python_job_interview
C/C++/: @cpluspluc
Data Science: @data_analysis_ml
Devops: @devOPSitsec
Rust: @rust_code
Javascript: @javascriptv
React: @react_tg
PHP: @phpshka
Docker: @docker
Android: @android_its
Мобильная разработка: @mobdevelop
Linux: linuxacademy
Big Data: t.me/bigdatai
Хакинг: @linuxkalii
Java:@javatg
Собеседования: @machinelearning_interview
💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
🔥ИТ-Мемы: t.me/memes_prog
🇬🇧Английский: @english_forprogrammers
📕Ит-книги /channel/addlist/BkskQciUW_FhNjEy
С опозданием на 2 недели вышел Rust 1.71.1! Эта версия исправляет несколько небольших проблем и устраняет потенциальную проблему безопасности в Cargo.
https://blog.rust-lang.org/2023/08/03/Rust-1.71.1.html
@rust_code
👆 Рост производительности машинного обучения с Rust
Создадим с нуля небольшой фреймворк машинного обучения на Rust.
Цели
1. Выяснить, заметен ли рост скорости при переходе с Python и PyTorch на Rust и LibTorch, серверную библиотеку PyTorch на C++, особенно в процессе обучения модели. ML-модели становятся крупнее, для их обучения требуется больше вычислительных возможностей, для обычного человека порой нереальных. Один из способов уменьшить рост аппаратных требований — понять, как сделать алгоритмы вычислительно эффективнее. Python в PyTorch — это лишь слой поверх LibTorch. Вопрос в том, стоит ли менять его на Rust. Планировалось использовать крейт Tch-rs для доступа к тензорам и функционалу Autograd DLL-библиотеки LibTorch как «калькулятору градиентов», а затем разработать с нуля на Rust остальное.
2. Сделать код достаточно простым для четкого понимания всех вычислений линейной алгебры и с возможностью легко его расширить при необходимости.
3. Во фреймворке ML-модели должны определяться, насколько это возможно, по аналогичной структуре стандартных Python/PyTorch.
4. Поизучать Rust и не скучать.
Но статья посвящена скорее преимуществам применения Rust в машинном обучении.
• Переходим сразу к конечному результату — вот как маленьким фреймворком создаются нейросетевые модели.
Листинг 1. Определение нейросетевой моделиstruct MyModel {
l1: Linear,
l2: Linear,
}
impl MyModel {
fn new (mem: &mut Memory) -> MyModel {
let l1 = Linear::new(mem, 784, 128);
let l2 = Linear::new(mem, 128, 10);
Self {
l1: l1,
l2: l2,
}
}
}
impl Compute for MyModel {
fn forward (&self, mem: &Memory, input: &Tensor) -> Tensor {
let mut o = self.l1.forward(mem, input);
o = o.relu();
o = self.l2.forward(mem, &o);
o
}
}
• Затем модель инстанцируется и обучается.
Листинг 2. Инстанцирование и обучение нейросетевой моделиfn main() {
let (x, y) = load_mnist();
let mut m = Memory::new();
let mymodel = MyModel::new(&mut m);
train(&mut m, &x, &y, &mymodel, 100, 128, cross_entropy, 0.3);
let out = mymodel.forward(&m, &x);
println!("Training Accuracy: {}", accuracy(&y, &out));
}
Для пользователей PyTorch это интуитивно понятная аналогия определения и обучения нейросети на Python. В примере выше показана модель нейросети, используемая затем для классификации. Модель применяется к набору данных Mnist тестов производительности для сравнения двух версий модели: Rust и Python.
• В первом блоке кода создается структура MyModel с двумя слоями типа Linear.
• Второй блок — ее реализация, где определяется ассоциированная функция new, которой инициализируются два слоя и возвращается новый экземпляр структуры.
• В третьем блоке реализуется типаж Compute для MyModel, им определяется метод forward. Затем в функции main загружается набор данных Mnist, инициализируется память, инстанцируется MyModel, а после она обучается в течение 100 эпох с размером пакета 128, потерями перекрестной энтропии и скоростью обучения 0,3.
Очень даже понятно: это то, что потребуется для создания и обучения новых моделей на Rust с помощью маленького фреймворка. Теперь копнем поглубже и разберемся, как это все возможно.
Если вы привыкли создавать ML-модели в PyTorch, то наверняка, глядя на код выше, зададитесь вопросом: «Зачем здесь ссылка на Memory?». Объясним ниже. 👇
Читать
Statistics with Rust: 50+ Statistical Techniques Put into Action
🤓 Скачать книгу
Делитесь книгой с коллегами и ставьте 👍
@rust_code
⚡️Маст-хэв список для программистов, каналы с последними книжными новинками, библиотеками, разбором кода и актуальной информацией, связанной с вашим языком программирования.
Лучший способ получать свежие обновлении и следить за трендами в разработке.
Машинное обучение: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
C#: t.me/csharp_ci
C/C++/ t.me/cpluspluc
Data Science: t.me/data_analysis_ml
Devops: t.me/devOPSitsec
Go: t.me/Golang_google
Базы данных: t.me/sqlhub
Rust: t.me/rust_code
Javascript: t.me/javascriptv
React: t.me/react_tg
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Linux: t.me/+A8jY79rcyKJlYWY6
Big Data: t.me/bigdatai
Хакинг: t.me/linuxkalii
Тестирование: /channel/+F9jPLmMFqq1kNTMy
Java: t.me/javatg
💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
📕 Бесплатные Книги для программистов: /channel/addlist/YZ0EI8Ya4OJjYzEy
🎞 YouTube канал: uproger" rel="nofollow">https://www.youtube.com/@uproger
😆ИТ-Мемы: t.me/memes_prog
🇬🇧Английский: t.me/english_forprogrammers